論文の概要: PIVOT: Physically Informed Vision-Language Off-Road Traversability for Field Robot Navigation
- arxiv url: http://arxiv.org/abs/2609.20983v1
- Date: Thu, 17 Sep 2026 18:34:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.753096
- Title: PIVOT: Physically Informed Vision-Language Off-Road Traversability for Field Robot Navigation
- Title（参考訳）: PIVOT:フィールドロボットナビゲーションのための物理インフォームドビジョンランゲージオフロードトラバータビリティ
- Abstract要約: フィールドロボットのための視覚言語モデル(VLM)に基づくナビゲーションシステムPIVOTを提案する。
我々は、VLMの予測エネルギーコスト、ロボットの振動、車輪スリップが実際の測定値とどのように相関するかを定量化する。
効率向上のために,幾何計画を名目モードとして維持する2段階のナビゲーションアーキテクチャを設計する。
- 参考スコア（独自算出の注目度）: 21.919854934630113
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Terrain assessment is a critical capability for off-road mobile robots, enabling safe and reliable navigation through unstructured and geometrically complex environments. Conventional geometry-based terrain assessment is fast to compute but often overly conservative in unstructured environments. We present PIVOT: a Physically Informed Vision-Language Off-Road Traversability navigation system that augments conventional geometry-based planning with vision-language-model (VLM)-based semantic reasoning for field robots. To physically ground this assessment, we quantify how strongly the VLM's predicted traversal energy cost, robot vibration, and wheel slip correlate with real-world measurements and introduce a unified traversability score that weights each modality by its prediction-measurement correlation. For efficiency, we design a two-level navigation architecture that retains geometry-based planning as the nominal mode and invokes semantic replanning only when that mode fails to find a path. Across five repeated closed-loop trials on a mixed-terrain route totalling around $6.4$ km, the proposed system increases overall autonomy from $59.6\%$ to $97.0\%$, reduces human interventions from $11$ to $3$, and increases the mean distance between interventions (MDBI) from $69.2$ m to $412.9$ m compared with geometry-only navigation. These results demonstrate that physically grounded VLM-based terrain assessment can substantially extend autonomous navigation beyond the limitations of geometry alone, while preserving efficient geometric planning as the nominal mode.
- Abstract（参考訳）: テランのアセスメントはオフロード移動ロボットにとって重要な能力であり、非構造的で幾何学的に複雑な環境を通した安全で信頼性の高いナビゲーションを可能にする。
従来の幾何学に基づく地形評価は高速に計算できるが、しばしば非構造環境では過度に保守的である。
本稿では、視覚言語モデル(VLM)に基づくフィールドロボットのセマンティック推論により、従来の幾何学的計画を強化した物理インフォームドビジョンランゲージオフロードトレーサビリティナビゲーションシステムPIVOTを提案する。
この評価を物理的に基礎づけるために,VLMの予測走行エネルギーコスト,ロボット振動,車輪すべりが実世界の測定値とどのように相関するかを定量化し,その予測・測定相関によって各モードを重み付けする統一走行可能性スコアを導入する。
効率向上のために,幾何的計画を名目モードとして保持する2段階のナビゲーションアーキテクチャを設計し,そのモードが経路を見つけられなかった場合にのみ意味的計画を実行する。
約6.4$kmの混合路での5回のクローズドループ試験で、提案システムは全体の自律性を59.6.%から9.7.0.%に引き上げ、人間の介入を11ドルから3ドルに減らし、介入間の平均距離を69.2$mから412.9$mに増やした。
これらの結果から,VLMを用いた地形評価は,地形のみの限界を超えて自律的な航法を著しく拡張すると同時に,命名モードとしての効率的な幾何学的計画も維持できることが示唆された。
関連論文リスト
- SemGeoNav:A Safety-Guided Visual Navigation Approach with Semantic Reasoning and Geometric Planning [8.096489080645487]
SemGeoNavは、新しい階層型ビジュアルナビゲーションフレームワークである。
これは、エンドツーエンドモデルの高レベルなセマンティック推論と、幾何に基づく手法の信頼性の高い局所計画能力とを密に統合する。
実環境におけるUnitree Go2四足ロボットのSemGeoNavの評価を行った。
論文 参考訳（メタデータ） (2026-06-15T08:38:46Z) - VGP-Nav: Metric-Aware Visual Geometric Perception for Robot Navigation [59.44896676402453]
VGP-Navは、テキスト・メトリック・アウェア・ビジュアル・ジオメトリック・パーセプションのための統合されたフレームワーク
単分子RGB入力にのみ依存し、メトリックローカライゼーションと障害物知覚を共同で支援する。
VGP-Navはモノクルスケールのあいまいさをオンラインで解決し、局所化基底の計量障害物表現を生成する。
論文 参考訳（メタデータ） (2026-06-08T09:38:14Z) - LiAuto-GeoX: Efficient Grounded Driving Transformer [54.23823436153608]
デプロイ可能なエゴ中心の3Dシーン理解のための効率的な基底駆動トランスフォーマである textbfLiAuto-GeoX を提案する。
textbfLiAuto-GeoX は KITTI 上で 220 FPS で動作し,高忠実度高密度化を保ち,リアルタイムな展開を実現している。
論文 参考訳（メタデータ） (2026-06-04T06:58:44Z) - WildOS: Open-Vocabulary Object Search in the Wild [12.098091049832965]
この研究は、長距離でオープンなオブジェクト検索のための統一システムWildOSを提示する。
基礎モデルに基づく視覚モジュール ExploRFM を用いて、グラフのフロンティアノードをスコアリングする。
また、オープン語彙ターゲットクエリの粗い局所化のための粒子フィルタに基づく手法も導入する。
論文 参考訳（メタデータ） (2026-02-22T19:14:00Z) - A Unified Experimental Architecture for Informative Path Planning: from Simulation to Deployment with GuadalPlanner [69.43049144653882]
本稿では,車種別制御から高レベルの意思決定を分離する統一アーキテクチャを提案する。
提案アーキテクチャは、計画、センシング、車両実行の標準化されたインターフェースを定義するGuaralPlannerを通じて実現されている。
論文 参考訳（メタデータ） (2026-02-11T10:02:31Z) - Traversability Aware Autonomous Navigation for Multi-Modal Mobility Morphobot (M4) [0.0]
この論文は、M4ロボットプラットフォームのためのトラバーサビリティ対応ナビゲーションフレームワークを提示する。
CNNベースのモデルが標高マップを処理し、走行可能性スコアを推定し、経路計画のためのナビゲーションコストに変換する。
カスタムのA*プランナーは、これらのコストを幾何学的距離とエネルギー消費と組み合わせて、貿易の適度な距離が増加する経路を見つける。
論文 参考訳（メタデータ） (2025-12-07T17:28:34Z) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - How Does It Feel? Self-Supervised Costmap Learning for Off-Road Vehicle
Traversability [7.305104984234086]
オフロード環境における地形の移動性の推定には、ロボットとこれらの地形の間の複雑な相互作用のダイナミクスを推論する必要がある。
本研究では,外外環境情報と固有地形相互作用フィードバックを組み合わせることで,トラバーサビリティのコストマップを予測する手法を提案する。
論文 参考訳（メタデータ） (2022-09-22T05:18:35Z) - BADGR: An Autonomous Self-Supervised Learning-Based Navigation System [158.6392333480079]
BadGRは、エンドツーエンドの学習ベースのモバイルロボットナビゲーションシステムである。
実際の環境で収集された、自己監督型のオフポリシーデータでトレーニングすることができる。
BadGRは、幾何学的に邪魔な障害物を伴って、現実世界の都市やオフロード環境をナビゲートすることができる。
論文 参考訳（メタデータ） (2020-02-13T18:40:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。